东方通信-半导体 GPT-6-Astra具身能力点评通用LLM

GPT-6-Astra具身能力点评总结

突破

• SenseNova联合研究小组评测显示，GPT-6-Astra已可承担VLA和WAM等专用模型的具身任务。
• 性能表现优异：在12个具身任务benchmark中，GPT-6-Astra均超过现有最高水平，4个benchmark接近满分。
• 主动修复能力：通过额外执行步数进行修正尝试，多数benchmark中任务成功率显著提升。
• 主动视觉能力：模型会主动重新定位摄像头，如在插花任务中获取后续动作所需观测信息。

短板

• 时间和token成本高：相对简单的LIBERO-Long++标准预算成功率超97%，但消耗约100万token和1小时推理时间，其他benchmark可能需数千万token和数小时。
• 长时程执行困难：多个阶段微小偏差会累积，未解决的子任务可能阻塞整体目标推进。
• 环境感知困难：真实场景中易出现忘记关冰箱门、水池溢出、煎蛋烧焦等问题，柔性物体操作和精确接触任务也存在困难。

预判

• 通用大模型提升具身智能上限：泛化能力、迁移与适应能力更强，自主决策能力更优，或提升复杂指令理解、任务拆解、结果识别与修复能力。
• 加速工程化落地：通用模型适配不同机器人形态和场景，降低开发成本，预计优先在流程标准、环境可控、任务边界明确的场景应用。

投资

• 关注物理AI产业链：建议关注数据采集相关的视觉/触觉传感器、端侧采集设备，及数据验证相关的机器人整机和核心硬件制造环节。